欧亚国际

准确的小麦穗部检测对于精准农业中的小麦田间表型分析至关重要。人工智能的进步使得深度学习模型能够提高小麦穗部检测的准确率。随着无人机的便捷性和实用性，小麦穗部的检测和计数引起了研究人员的广泛兴趣。然而，小麦生长是一个动态过程，其特征是小麦穗部颜色特征和背景发生重要变化。现有的小麦穗部检测模型通常是针对特定生长阶段设计的。它们对其他生长阶段或田间场景的适应性有限。此外，无人机影像中小麦穗的尺寸小、分布密集、遮挡严重等特点也使得该方法难以拟合和覆盖小麦穗的全部特征，导致精度低、适用性差。

2023年10月，Plant Phenomics 在线发表了南京农业大学题为Small and Oriented Wheat Spike Detection at the Filling and Maturity Stages Based on WheatNet的研究论文。

本文提出了WheatNet来检测从灌浆期到成熟期的小而定向的麦穗。WheatNet由2个子网络组成：变换网络和检测网络（图2）。首先，提出了变换网络中的自适应特征适配模块（Adaptive Feature Adapter Module，AFAM），用于在不同生长阶段生成对小麦穗颜色敏感的权重。其次，变换参数生成模块（ Transform Parameter Generation Module，TPGM）使用特征包池（Bag-of-Features Pooling，BOFP）层学习小麦穗部颜色特征并输出变换参数α，生成具有全连接层的新图像。第三，检测网络从新图像中提取多尺度特征。然后，在检测网络中增加一个微尺度检测层，4个检测层从多尺度特征图中生成麦穗的位置、类别和置信度等预测。在这个阶段，使用圆形平滑标签（CSL）对小麦穗进行角度分类。使用完全交并比（Complete Intersection over Union，CIoU）损失和二元交叉熵（Binary Cross Entropy，BCE）损失计算网络损失进行训练。最后，在训练后的推断过程中产生检测结果。

图2 WheatNet架构。改进后的红色标签模块为微尺度检测层、循环平滑标签( CSL )和完全交并比( CIoU )损失。

本文将WheatNet与经典的定向检测方法在麦穗检测、角度预测和速度方面进行了比较（表1），WheatNet仍然保持了较高的精度，很好地解决了漏检和误检问题。WheatNet的速度为20 FPS，可以实现快速准确的麦穗检测。本文也在不同方法、不同数据集上对灌浆期和成熟期的麦穗检测进行了比较（表4），结果表明WheatNet能够减少小麦穗颜色特征差异带来的检测误差，并成功应用于灌浆期和成熟期，对灌浆期图像的准确率为90.1%，对成熟期图像的准确率为88.6%。这表明WheatNet是一种很有前途的小麦穗部检测工具。

表1 WheatNet与定向目标检测方法的性能比较

表4 WheatNet、OSWSDet和标准YOLOv5在不同测试数据集上的平均精度

论文链接：

‍http://doi.org/10.34133/plantphenomics.0109

——推荐阅读——

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images 

http://doi.org/10.34133/plantphenomics.0020

Plant Phenomics | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法

A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background

http://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于无人机成像实现对田间小麦叶面积指数的快速精准估计（二）